CN112882094A - 初至波的获取方法、装置、计算机设备及存储介质 - Google Patents
初至波的获取方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112882094A CN112882094A CN202110214003.5A CN202110214003A CN112882094A CN 112882094 A CN112882094 A CN 112882094A CN 202110214003 A CN202110214003 A CN 202110214003A CN 112882094 A CN112882094 A CN 112882094A
- Authority
- CN
- China
- Prior art keywords
- seismic wave
- seismic
- wave signal
- signals
- network model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 230000004044 response Effects 0.000 claims description 27
- 238000012937 correction Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 2
- 230000002093 peripheral effect Effects 0.000 description 10
- 230000001133 acceleration Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 230000003321 amplification Effects 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请提供了一种初至波的获取方法、装置、计算机设备及存储介质,属于地震勘探技术领域。该方法包括:获取待测工区中多个检测点检测到的多个第一地震波信号,从多个第一地震波信号中选取预设比例的第一地震波信号作为样本地震波信号;确定第一初至波信号在样本地震波信号中的位置,为样本地震波信号添加标签,得到第一标签数据,根据样本地震波信号和第一标签数据,通过深度学习算法对初始网络模型进行训练,得到目标网络模型,将多个第一地震波信号输入目标网络模型,确定多个第一地震波信号中的第二初至波信号的位置。由于通过目标网络模型能够准确确定第一地震波信号对应的标签数据,所以提高了确定的第二初至波信号的位置的准确性。
Description
技术领域
本申请涉及地震勘探技术领域,特别涉及一种初至波的获取方法、装置、设备及存储介质。
背景技术
在地震勘探技术中,静校正作为地震资料处理的第一个环节,是其它一切工作的基础。静校正的精确度直接决定地震勘探的成像质量,而静校正是基于地震的初至波进行处理的,因此,如何获取地震的初至波对静校正的精确度至关重要。
相关技术中,通过能量比值法获取地震的初至波。该方法包括:按照预设周期获取拾取窗口内的地震波信号;确定本次获取的地震波信号的第一能量以及上一次获取的地震波信号的第二能量;响应于第一能量与第二能量的比值大于预设比值,确定本次获取的地震波信号为地震的初至波信号。
但是,对于地表复杂的地区,初至波信号的能量往往被各种噪声信号的能量掩盖,这样当本次获取的地震波信号中包含初至波时,第一能量与第二能量的比值有可能小于预设比值,从而导致无法获取初至波的情况发生,所以通过能量比值法获取初至波的准确度低。
发明内容
本申请实施例提供了一种初至波的获取方法、装置、计算机设备及存储介质,可以提高获取初至波的效率。所述技术方案如下:
一方面,本申请提供了一种初至波的获取方法,所述方法包括:
获取待测工区中多个检测点检测到的多个第一地震波信号,从所述多个第一地震波信号中选取预设比例的第一地震波信号作为样本地震波信号;
确定所述样本地震波信号中的第一初至波信号,确定所述第一初至波信号在所述样本地震波信号中的位置,基于所述第一初至波信号在所述样本地震波信号中的位置为所述样本地震波信号添加标签,得到所述样本地震波信号对应的第一标签数据,所述第一标签数据用于表示所述第一初至波信号在所述样本地震波信号中的实际位置;
根据所述样本地震波信号和所述第一标签数据,通过深度学习算法对初始网络模型进行训练,直至所述初始网络模型的精确度达到预设精度值,得到目标网络模型,所述目标网络模型用于确定地震波信号对应的标签数据;
将所述多个第一地震波信号输入所述目标网络模型,得到所述多个第一地震波信号对应的第二标签数据,以及基于所述第二标签数据,确定所述多个第一地震波信号中的第二初至波信号的位置。
在一种可能的实现方式中,所述基于所述第一初至波信号在所述样本地震波信号中的位置为所述样本地震波信号添加标签,得到所述样本地震波信号对应的第一标签数据,包括:
对于每个检测点,基于所述第一初至波信号,确定所述检测点检测到所述第一初至波信号的初至时间;
根据所述初至时间,为所述检测点检测到的第一地震波信号添加标签,得到所述样本地震波信号对应的第一标签数据。
在另一种可能的实现方式中,所述根据所述初至时间,为所述检测点检测到的第一地震波信号添加标签,得到所述样本地震波信号对应的第一标签数据,包括:
确定所述检测点检测到的第一地震波信号对应的多个时间点;
对于每个时间点对应的第二地震波信号,响应于所述时间点在所述初至时间之前,确定所述第二地震波信号的标签为第一数值,响应于所述时间点在所述初至时间之后,确定所述第二地震波信号的标签为第二数值,得到所述样本地震波信号对应的第一标签数据。
在另一种可能的实现方式中,所述根据所述样本地震波信号和所述第一标签数据,通过深度学习算法对初始网络模型进行训练,直至所述初始网络模型的精确度达到预设精度值,得到目标网络模型,包括:
将所述样本地震波信号输入初始网络模型,得到初始标签数据;
根据所述初始标签数据和所述第一标签数据,通过焦点损失函数确定所述初始标签数据与所述第一标签数据之间的损失值;
响应于所述损失值小于预设损失值,确定所述初始网络模型为目标网络模型,响应于所述损失值大于预设损失值,调整所述初始网络模型中的每个网络层的权重,直到所述损失值小于预设损失值,得到第二网络模型,将所述第二网络模型作为所述目标网络模型。
在另一种可能的实现方式中,所述将所述多个第一地震波信号输入所述目标网络模型,得到所述多个第一地震波信号对应的第二标签数据,包括:
对于每个第一地震波信号,将所述第一地震波信号按照预设空间窗和预设滑动步长进行滑动分割,得到多个第三地震波信号;
将每个第三地震波信号输入所述目标网络模型,确定多个第一预测值;
对所述多个第一预测值进行数据处理,得到所述多个第一地震波信号对应的第二标签数据。
在另一种可能的实现方式中,所述预设空间窗内包括第一预设数量个地震道,所述第三地震波信号包括所述第一预设数量个地震道对应的地震波信号,每个第一预测值包括所述第一预设数量个地震道对应的地震波信号的第二预测值;
所述对所述多个第一预测值进行数据处理,得到所述多个第一地震波信号对应的第二标签数据,包括:
对于所述多个第一预测值,确定每个第一预测值包括的所述第一预设数量个地震道对应的地震波信号的第二预测值;
对于每个地震道,响应于所述地震道对应的地震波信号的第二预测值的数量为一个,确定所述第二预测值为所述地震道对应的地震波信号的第一预测值;响应于所述地震道对应的第二预测值的数量为多个,确定多个第二预测值的均值,将所述均值作为所述地震道对应的地震波信号的第一预测值;
将所述每个地震道对应的地震波信号的第一预测值进行组合,得到所述多个第一地震波信号对应的第二标签数据。
在另一种可能的实现方式中,所述获取待测工区中多个检测点检测到的多个第一地震波信号,包括:
获取待测工区中多个检测点的多个初始地震波信号,对所述多个初始地震波信号进行线性矫正,得到所述多个第一地震波信号。
另一方面,本申请提供了一种初至波的获取装置,所述装置包括:
获取模块,用于获取待测工区中多个检测点检测到的多个第一地震波信号,从所述多个第一地震波信号中选取预设比例的第一地震波信号作为样本地震波信号;
添加模块,用于确定所述样本地震波信号中的第一初至波信号,确定所述第一初至波信号在所述样本地震波信号中的位置,基于所述第一初至波信号在所述样本地震波信号中的位置为所述样本地震波信号添加标签,得到所述样本地震波信号对应的第一标签数据,所述第一标签数据用于表示所述第一初至波信号在所述样本地震波信号中的实际位置;
训练模块,用于根据所述样本地震波信号和所述第一标签数据,通过深度学习算法对初始网络模型进行训练,直至所述初始网络模型的精确度达到预设精度值,得到目标网络模型,所述目标网络模型用于确定地震波信号对应的标签数据;
确定模块,用于将所述多个第一地震波信号输入所述目标网络模型,得到所述多个第一地震波信号对应的第二标签数据,以及基于所述第二标签数据,确定所述多个第一地震波信号中的第二初至波信号的位置。
在一种可能的实现方式中,所述添加模块,包括:
第一确定单元,用于对于每个检测点,基于所述第一初至波信号,确定所述检测点检测到所述第一初至波信号的初至时间;
添加单元,用于根据所述初至时间,为所述检测点检测到的第一地震波信号添加标签,得到所述样本地震波信号对应的第一标签数据。
在另一种可能的实现方式中,所述添加单元,用于确定所述检测点检测到的第一地震波信号对应的多个时间点;对于每个时间点对应的第二地震波信号,响应于所述时间点在所述初至时间之前,确定所述第二地震波信号的标签为第一数值,响应于所述时间点在所述初至时间之后,确定所述第二地震波信号的标签为第二数值,得到所述样本地震波信号对应的第一标签数据。
在另一种可能的实现方式中,所述训练模块,用于将所述样本地震波信号输入初始网络模型,得到初始标签数据;根据所述初始标签数据和所述第一标签数据,通过焦点损失函数确定所述初始标签数据与所述第一标签数据之间的损失值;响应于所述损失值小于预设损失值,确定所述初始网络模型为目标网络模型,响应于所述损失值大于预设损失值,调整所述初始网络模型中的每个网络层的权重,直到所述损失值小于预设损失值,得到第二网络模型,将所述第二网络模型作为所述目标网络模型。
在另一种可能的实现方式中,所述确定模块,包括:
滑动分割单元,用于对于每个第一地震波信号,将所述第一地震波信号按照预设空间窗和预设滑动步长进行滑动分割,得到多个第三地震波信号;
第二确定单元,用于将每个第三地震波信号输入所述目标网络模型,确定多个第一预测值;
第三确定单元,用于对所述多个第一预测值进行数据处理,得到所述多个第一地震波信号对应的第二标签数据。
在另一种可能的实现方式中,所述预设空间窗内包括第一预设数量个地震道,所述第三地震波信号包括所述第一预设数量个地震道对应的地震波信号,每个第一预测值包括所述第一预设数量个地震道对应的地震波信号的第二预测值;
所述第三确定单元,用于对于所述多个第一预测值,确定每个第一预测值包括的所述第一预设数量个地震道对应的地震波信号的第二预测值;对于每个地震道,响应于所述地震道对应的地震波信号的第二预测值的数量为一个,确定所述第二预测值为所述地震道对应的地震波信号的第一预测值;响应于所述地震道对应的第二预测值的数量为多个,确定多个第二预测值的均值,将所述均值作为所述地震道对应的地震波信号的第一预测值;将所述每个地震道对应的地震波信号的第一预测值进行组合,得到所述多个第一地震波信号对应的第二标签数据。
在另一种可能的实现方式中,所述获取模块,用于获取待测工区中多个检测点的多个初始地震波信号,对所述多个初始地震波信号进行线性矫正,得到所述多个第一地震波信号。
另一方面,本申请实施例提供了一种计算机设备,所述计算机设备包括:处理器和存储器,所述存储器中存储有至少一条程序代码,所述至少一条程序代码由所述处理器加载并执行以实现上述任一可能实现方式所述的初至波的获取方法中所执行的操作。
另一方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一条程序代码,所述至少一条程序代码由处理器加载并执行以实现上述任一可能实现方式所述的初至波的获取方法中所执行的操作。
本申请实施例提供的技术方案的有益效果至少包括:
本申请实施例提供了一种初至波的获取方法,由于目标网络模型是通过样本地震波信号和第一初至波信号,对初始网络模型进行训练得到的,而样本地震波信号和第一初至波信号为实际的精确数据,这样目标网络模型的精确度能够达到预设精度值,因此通过目标网络模型能够准确确定第一地震波信号对应的第二标签数据,进而提高了通过第二标签数据确定的第二初至波信号的位置的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本申请实施例提供的一种初至波的获取方法的流程图;
图2是根据本申请实施例提供的一种样本地震波信号中的第一初至波信号的示意图;
图3是根据本申请实施例提供的一种样本地震波信号对应的第一标签数据的示意图;
图4是根据本申请实施例提供的一种通过目标网络模型得到的第二标签数据的示意图;
图5是根据本申请实施例提供的一种初至波的获取装置的框图;
图6是根据本申请实施例提供的一种计算机设备的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
图1是根据本申请实施例提供的一种初至波的获取方法的流程图。参见图1,该方法包括:
101、计算机设备获取待测工区中多个检测点检测到的多个第一地震波信号,从多个第一地震波信号中选取预设比例的第一地震波信号作为样本地震波信号。
第一地震波信号为待测工区内多个炮点发出的地震波信号。多个检测点按照预设距离等间距分布在待测工区内。对于每一个炮点,计算机设备通过多个检测点对该炮点发出的地震波信号进行检测,获取该炮点对应的第一地震波信号。其中,第一地震波信号中包括该炮点对应的初至波信号。
预设距离可以是20m至100m之间的任一数值。例如,30m、40m、50m等。可选的,多个检测点的数量与该工区的面积大小有关。多个炮点的数量可以是1万个至10万个之间的任一数值。可选的,多个炮点的数量为39252个。在本申请实施例中,对多个检测点的数量、分布以及多个炮点的数量不作具体限定,可以根据需要进行设定并修改。
在一种可能的实现方式中,在第一预设时长内,每个检测点可以按照预设周期对地震波信号进行采集,得到该检测点对应的第一地震波信号。
例如,待测工区中多个检测点的数量为5600个,多个检测点等间距分布在待测工区内,且间距为50m。对应每个检测点,每间隔4ms采集一次地震波信号,采集信号的总时长为8s,采集的地震波信号的数量为2000个,将2000个地震波信号按照时间顺序排列起来,得到该检测点对应的第一地震波信号。
需要说明的一点是,多个检测点等间距分布在待测工区内,且多个检测点中每个检测点采集地震波信号的时间间隔相同,所以多个检测点采集的多个地震波信号在时间方向上及空间方向上均为等间隔。
在一种可能的实现方式中,计算机设备先对每个检测点采集的地震波信号进行线性校正,然后将校正后的地震波信号进行组合,得到该检测点对应的第一地震波信号。相应的,计算机设备获取待测工区中多个检测点检测到的多个第一地震波信号的步骤为:计算机设备获取待测工区中多个检测点的多个初始地震波信号,对多个初始地震波信号进行线性校正,得到多个第一地震波信号。
计算机设备对每个检测点采集的地震波信号进行线性校正的步骤为:计算机设备对于每个检测点采集到的多个初始地震波信号,根据炮点与该检测点之间的第一距离以及预设校正速度确定校正量,通过该校正量对多个初始地震波信号进行校正。
在一种可能的实现方式中,地层为水平层状介质,校正量为第一距离与预设校正速度之间的比值。预设校正速度可以是1000米/秒至6000米/秒之间的任一数值。在本申请实施例中,对预设校正速度的数值不作具体限定,可以根据需要进行设定并修改。
需要说明的一点是,多个初始地震波信号经线性校正后直达波变成一条过原点的水平直线,这样更加有利于初至波的区分,同时也减少了数据量。例如,预设校正速度为2300米/秒,对应每个检测点,每间隔4ms采集一次地震波信号,采集信号的总时长为8s,采集的地震波信号的数量为2000个,通过对2000个地震波信号进行线性校正后,地震波信号的数量降为500个。
在本步骤中,样本地震波信号包括对初始网络模型进行训练所需的训练数据集和测试数据集。样本地震波信号是从多个检测点检测到的多个第一地震波信号中选取的。
在一种可能的实现方式中,计算机设备从多个第一地震波信号中选取预设比例的第一地震波信号作为样本地震波信号。其中,预设比例可以是多个第一地震波信号的0.5%至2%之间的任意数值;在本申请实施例中,对预设比例的数值不作具体限定,可以根据需要进行设定并修改。例如,多个第一地震波信号的数量为39252个,预设比例为1%,则样本地震波信号的数量为392个。
在另一种可能的实现方式中,计算机设备从多个第一地震波信号中选取第二预设数量的第一地震波信号作为样本地震波信号。其中,第二预设数量可以是300至1000之间的任意数值;在本申请实施例中,对第二预设数量的数值不作具体限定,可以根据需要进行设定并修改。
102、计算机设备确定样本地震波信号中的第一初至波信号,确定第一初至波信号在样本地震波信号中的位置,基于第一初至波信号在样本地震波信号中的位置为样本地震波信号添加标签,得到样本地震波信号对应的第一标签数据,第一标签数据用于表示第一初至波信号在样本地震波信号中的实际位置。
在一种可能的实现方式中,第一初至波信号在样本地震波信号中的位置为校正和调整后的实际位置。相应的,计算机设备确定样本地震波信号中的第一初至波信号,确定第一初至波信号在样本地震波信号中的位置的步骤为:计算机设备通过能量比值法获取样本地震波信号中的初始初至波信号,确定初始初至波信号的精确位置,将初始初至波信号的位置调整到样本地震波信号的起跳位置,得到样本地震波信号中的第一初至波信号。其中,样本地震波信号的起跳位置为第一初至波信号在样本地震波信号中的实际位置。
在本申请实例中,通过确定第一初至波信号的精确位置,将第一初至波信号的位置调整到样本地震波信号的起跳位置,能够避免噪声对第一初至波信号的位置的影响,提高了确定的第一初至波信号的实际位置的准确性。
在一种可能的实现方式中,计算机设备基于第一初至波信号在样本地震波信号中的位置为样本地震波信号添加标签,得到样本地震波信号对应的第一标签数据的步骤为:计算机设备对于每个检测点,基于第一初至波信号,确定检测点检测到第一初至波信号的初至时间;根据初至时间,为检测点检测到的第一地震波信号添加标签,得到样本地震波信号对应的第一标签数据。
在本步骤中,标签数据包括数字、符号、计算机代码中的至少一个。
在一种可能的实现方式中,标签数据为数字。相应的,计算机设备根据初至时间,为检测点检测到的第一地震波信号添加标签,得到样本地震波信号对应的第一标签数据的步骤为:计算机设备确定检测点检测到的第一地震波信号对应的多个时间点;对于每个时间点对应的第二地震波信号,响应于时间点在初至时间之前,确定第二地震波信号的标签为第一数值,响应于时间点在初至时间之后,确定第二地震波信号的标签为第二数值,得到样本地震波信号对应的第一标签数据。
第一数值可以是任一数值的数字,第二数值可以是任一数值的数字。可选的,第一数值为数字“0”,第二数值为数字“1”。
例如,参见图2,计算机设备确定样本地震波信号中的第一初至波信号如图2所示;其中,x轴代表不同的检测点,y轴代表检测点在不同时间检测到的第一地震波信号。
参见图3,计算机设备根据初至时间,为检测点检测到的第一地震波信号添加标签,得到样本地震波信号对应的第一标签数据如图3所示;其中,x轴代表不同的检测点,y轴代表检测点在不同时间检测到的第一地震波信号对应的第一标签数据;黑色代表第二数值,白色代表第一数值。
需要说明的一点是,第一地震波信号中包括噪声信号和第一初至波信号。时间点在初至时间之前的地震波信号包括噪声信号,而时间点在初至时间之后的地震波信号包括噪声信号和第一初至波信号。通过对第一地震波信号中不同信号添加不同的标签,第一地震波信号中在时间方向上存在标签转折点,计算机设备能够通过标签转折点确定第一初至波信号的位置。
103、计算机设备根据样本地震波信号和第一标签数据,通过深度学习算法对初始网络模型进行训练,直至初始网络模型的精确度达到预设精度值,得到目标网络模型,目标网络模型用于确定地震波信号对应的标签数据。
在一种可能的实现方式中,本步骤为:计算机设备将样本地震波信号输入初始网络模型,得到初始标签数据;根据初始标签数据和第一标签数据,通过焦点损失函数确定初始标签数据与第一标签数据之间的损失值;响应于损失值小于预设损失值,确定初始网络模型为目标网络模型,响应于损失值大于预设损失值,调整初始网络模型中的每个网络层的权重,直到损失值小于预设损失值,得到第二网络模型,将第二网络模型作为目标网络模型。
初始网络模型为深度学习对应的网络模型。在一种可能的实现方式中,初始网络模型为Res-UNet(Deep Residual Learning for Image Recognition,深度残差学习)网络模型。该Res-Unet网络模型包括编码器和解码器。其中,编码器由4个子模块组成,每个子模块包含了两个卷积层,卷积层中卷积核大小均为3*3,激活函数使用ReLU(RectifiedLinear Unit,线性整流函数)。子模块后面通过一个2*2步长的池化层实现下采样。其中,解码器包含4个子模块,通过上采样操作依次上升,使得输出与输入的图像尺寸一致。
在一种可能的实现方式中,计算机设备将样本地震波信号输入初始网络模型,得到初始标签数据的步骤为:计算机设备对样本地震波信号中每个炮点对应的第一地震波信号进行随机分割,得到多个小尺寸的训练地震波信号。
例如,待测工区中多个检测点的数量为5600个,对于每个炮点,每个检测点采集的地震波信号的数量为500个,则该炮点对应的第一地震波信号包括5600*500个地震波信号。可选的,计算机设备按照128*128的数据区间对第一地震波信号进行随机分割,得到多个小尺寸的训练地震波信号。
在本申请实施例中,由于将第一地震波信号进行随机分割为多个小尺寸的训练地震波信号,而小尺寸的训练地震波信号占用的运行空间和显存空间小,因此提高了计算机设备的运算速度。
在本步骤中,为了增加样本地震波信号的数量,计算机设备可以对样本地震波信号进行增广处理。
在一种可能的实现方式中,计算机设备对样本地震波信号进行增广处理的步骤为:计算机设备对样本地震波信号进行左右翻转,得到多个新的样本地震波信号。
在本申请实施例中,通过对样本地震波信号进行左右翻转,能够模拟检测点在不同方向时对应的地震波信号,进而提高了样本地震波信号的数量。
在另一种可能的实现方式中,计算机设备对样本地震波信号进行增广处理的步骤为:计算机设备在样本地震波信号中加入不同比例的随机噪音,得到多个新的样本地震波信号。
在本申请实施例中,通过在样本地震波信号中加入不同比例的随机噪音,在增加样本地震波信号的同时,在样本地震波信号中添加了噪音参数,进而提高了训练得到的目标网络模型的抗噪能力。
在一种可能的实现方式中,计算机设备根据初始标签数据和第一标签数据,通过焦点损失函数确定初始标签数据与第一标签数据之间的损失值的步骤为:计算机确定焦点损失函数中的类别平衡参数和复杂度平衡参数,根据初始标签数据和第一标签数据,将初始标签数据和第一标签数据带入以下公式一,得到初始标签数据与第一标签数据之间的损失值;
其中,x表示样本地震波信号,y表示第一标签数据,y′表示初始标签数据,n表示样本地震波信号的数量,α为类别平衡参数,β为复杂度平衡参数,C表示损失值。
在一种可能的实现方式中,计算机设备确定初始网络模型的精确度达到预设精度值的部位为:计算机设备响应于初始标签数据与第一标签数据之间的损失值小于第一预设阈值,确定初始网络模型的精确度达到预设精度值。其中,第一预设阈值可以是0.00001至0.0002之间的任一数值,例如,0.0001。
104、计算机设备将多个第一地震波信号输入目标网络模型,得到多个第一地震波信号对应的第二标签数据,以及基于第二标签数据,确定多个第一地震波信号中的第二初至波信号的位置。
在一种可能的实现方式中,计算机设备将多个第一地震波信号输入目标网络模型,得到多个第一地震波信号对应的第二标签数据的步骤为:计算机设备对于每个第一地震波信号,将第一地震波信号按照预设空间窗和预设滑动步长进行滑动分割,得到多个第三地震波信号;将每个第三地震波信号输入目标网络模型,确定多个第一预测值;对多个第一预测值进行数据处理,得到多个第一地震波信号对应的第二标签数据。
在一种可能的实现方式中,预设空间窗内包括第一预设数量个地震道,第三地震波信号包括第一预设数量个地震道对应的地震波信号,每个第一预测值包括第一预设数量个地震道对应的地震波信号的第二预测值。当预设滑动步长小于预设空间窗时,多个预设空间窗的边缘存在重叠的位置,此时,对同一地震道,该地震道对应的地震波信号的第二预测值的数量为多个。
其中,第一预设数量可以是32至512之间的任一数值;预设滑动步长可以是10至100之间的任一数值;在本申请实施例中,对第一预设数量以及预设滑动步长的数值不作具体限定,可以根据需要进行设定并修改。
在一种可能的实现方式中,当地震道对应的地震波信号的第二预测值的数量为多个时,通过投票平均法确定该地震道的第二预测值。相应的,计算机设备对多个第一预测值进行数据处理,得到多个第一地震波信号对应的第二标签数据的步骤为:计算机设备对于多个第一预测值,确定每个第一预测值包括的第一预设数量个地震道对应的地震波信号的第二预测值;对于每个地震道,响应于地震道对应的地震波信号的第二预测值的数量为一个,确定第二预测值为地震道对应的地震波信号的第一预测值;响应于地震道对应的第二预测值的数量为多个,确定多个第二预测值的均值,将均值作为地震道对应的地震波信号的第一预测值;将每个地震道对应的地震波信号的第一预测值进行组合,得到多个第一地震波信号对应的第二标签数据。
可选的,参见图4,计算机设备通过目标网络模型得到的第二标签数据的分布图如图4所示;其中,x轴代表不同的检测点,y轴代表检测点在不同时间检测到的第一地震波信号对应的第二标签数据。相应的,计算机设备将每个地震道对应的地震波信号的第一预测值进行组合,得到多个第一地震波信号对应的第二标签数据的步骤为:计算机设备将每个地震道对应的地震波信号的第一预测值进行重置;对重置后的第一预测值进行腐蚀膨胀处理,得到第二标签数据。
计算机设备将每个地震道对应的地震波信号的第一预测值进行重置的步骤为:计算机设备响应于第一预测值小于第二预设阈值,将第一预测值重置为第一数值,响应于第一预测值大于第二预设阈值,将第一预测值重置为第二数值。其中,第二预设阈值可以是0.5至0.9之间的任一数值,例如,0.6、0.7、0.8。
在一种可能的实现方式中,计算机设备对重置后的第一预测值进行腐蚀膨胀处理,得到第二标签数据的步骤为:计算机设备确定重置后的第一预测值的均值,从重置后的第一预测值中选取最大的第一预测值和最小的第一预测值,将最大的第一预测值和最小的第一预测值替换为第一预测值的均值。其中,最大的第一预测值和最小的第一预测值可以是多个区域中的最大的第一预测值和最小的第一预测值。
在本申请实施例中,通过对重置后的第一预测值进行腐蚀膨胀处理,能够消除第一预测值中孤立的预测值,而孤立的预测值大概率为噪音信号对应的预测值,通过对噪音信号对应的预测值进行消除,提高了第一预测值的信噪比。
在一种可能的实现方式中,计算机设备基于第二标签数据,确定多个第一地震波信号中的第二初至波信号的位置的步骤为:计算机设备对于每个第一地震波信号,基于第二标签数据,确定第一地震波信号在时间方向上的第二标签数据转折点,确定第二标签数据转折点所在的位置为第二初至波信号的位置。标签数据转折点为时间方向上与前一个标签数据不同的标签数据。
本申请实施例提供了一种初至波的获取方法,由于目标网络模型是通过样本地震波信号和第一初至波信号,对初始网络模型进行训练得到的,而样本地震波信号和第一初至波信号为实际的精确数据,这样目标网络模型的精确度能够达到预设精度值,因此通过目标网络模型能够准确确定第一地震波信号对应的第二标签数据,进而提高了通过第二标签数据确定的第二初至波信号的位置的准确性。
图5是根据本申请实施例提供的一种初至波的获取装置的框图。参见图5,该装置包括:
获取模块501,用于获取待测工区中多个检测点检测到的多个第一地震波信号,从多个第一地震波信号中选取预设比例的第一地震波信号作为样本地震波信号;
添加模块502,用于确定样本地震波信号中的第一初至波信号,确定第一初至波信号在样本地震波信号中的位置,基于第一初至波信号在样本地震波信号中的位置为样本地震波信号添加标签,得到样本地震波信号对应的第一标签数据,第一标签数据用于表示第一初至波信号在样本地震波信号中的实际位置;
训练模块503,用于根据样本地震波信号和第一标签数据,通过深度学习算法对初始网络模型进行训练,直至初始网络模型的精确度达到预设精度值,得到目标网络模型,目标网络模型用于确定地震波信号对应的标签数据;
确定模块504,用于将多个第一地震波信号输入目标网络模型,得到多个第一地震波信号对应的第二标签数据,以及基于第二标签数据,确定多个第一地震波信号中的第二初至波信号的实际位置。
在一种可能的实现方式中,添加模块502,包括:
第一确定单元,用于对于每个检测点,基于第一初至波信号,确定检测点检测到第一初至波信号的初至时间;
添加单元,用于根据初至时间,为检测点检测到的第一地震波信号添加标签,得到样本地震波信号对应的第一标签数据。
在另一种可能的实现方式中,添加单元,用于确定检测点检测到的第一地震波信号对应的多个时间点;对于每个时间点对应的第二地震波信号,响应于时间点在初至时间之前,确定第二地震波信号的标签为第一数值,响应于时间点在初至时间之后,确定第二地震波信号的标签为第二数值,得到样本地震波信号对应的第一标签数据。
在另一种可能的实现方式中,训练模块503,用于将样本地震波信号输入初始网络模型,得到初始标签数据;根据初始标签数据和第一标签数据,通过焦点损失函数确定初始标签数据与第一标签数据之间的损失值;响应于损失值小于预设损失值,确定初始网络模型为目标网络模型,响应于损失值大于预设损失值,调整初始网络模型中的每个网络层的权重,直到损失值小于预设损失值,得到第二网络模型,将第二网络模型作为目标网络模型。
在另一种可能的实现方式中,确定模块504,包括:
滑动分割单元,用于对于每个第一地震波信号,将第一地震波信号按照预设空间窗和预设滑动步长进行滑动分割,得到多个第三地震波信号;
第二确定单元,用于将每个第三地震波信号输入目标网络模型,确定多个第一预测值;
第三确定单元,用于对多个第一预测值进行数据处理,得到多个第一地震波信号对应的第二标签数据。
在另一种可能的实现方式中,预设空间窗内包括第一预设数量个地震道,第三地震波信号包括第一预设数量个地震道对应的地震波信号,每个第一预测值包括第一预设数量个地震道对应的地震波信号的第二预测值;
第三确定单元,用于对于多个第一预测值,确定每个第一预测值包括的第一预设数量个地震道对应的地震波信号的第二预测值;对于每个地震道,响应于地震道对应的地震波信号的第二预测值的数量为一个,确定第二预测值为地震道对应的地震波信号的第一预测值;响应于地震道对应的第二预测值的数量为多个,确定多个第二预测值的均值,将均值作为地震道对应的地震波信号的第一预测值;将每个地震道对应的地震波信号的第一预测值进行组合,得到多个第一地震波信号对应的第二标签数据。
在另一种可能的实现方式中,获取模块501,用于获取待测工区中多个检测点的多个初始地震波信号,对多个初始地震波信号进行线性矫正,得到多个第一地震波信号。
本申请实施例提供了一种初至波的获取装置,由于目标网络模型是通过样本地震波信号和第一初至波信号,对初始网络模型进行训练得到的,而样本地震波信号和第一初至波信号为实际的精确数据,这样目标网络模型的精确度能够达到预设精度值,因此通过目标网络模型能够准确确定第一地震波信号对应的第二标签数据,进而提高了通过第二标签数据确定的第二初至波信号的位置的准确性。
图6是根据本申请实施例提供的一种计算机设备的结构框图。该计算机设备600可以是便携式移动计算机设备,比如:智能手机、平板电脑、笔记本电脑或台式电脑。计算机设备600还可能被称为用户设备、便携式计算机设备、膝上型计算机设备、台式计算机设备等其他名称。
通常,计算机设备600包括有:处理器601和存储器602。
处理器601可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器601可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器601也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器601可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器601还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器602可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器602还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器602中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器601所执行以实现本申请中方法实施例提供的初至波的获取方法。
在一些实施例中,计算机设备600还可选包括有:外围设备接口603和至少一个外围设备。处理器601、存储器602和外围设备接口603之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口603相连。具体地,外围设备包括:射频电路604、显示屏605、摄像头606、音频电路607、定位组件608和电源609中的至少一种。
外围设备接口603可被用于将I/O(Input/Output,输入/输出)相关的至少一个外围设备连接到处理器601和存储器602。在一些实施例中,处理器601、存储器602和外围设备接口603被集成在同一芯片或电路板上;在一些其他实施例中,处理器601、存储器602和外围设备接口603中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路604用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路604通过电磁信号与通信网络以及其他通信设备进行通信。射频电路604将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路604包括:天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路604可以通过至少一种无线通信协议来与其它计算机设备进行通信。该无线通信协议包括但不限于:城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路604还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本申请对此不加以限定。
显示屏605用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏605是触摸显示屏时,显示屏605还具有采集在显示屏605的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器601进行处理。此时,显示屏605还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏605可以为一个,设置计算机设备600的前面板;在另一些实施例中,显示屏605可以为至少两个,分别设置在计算机设备600的不同表面或呈折叠设计;在再一些实施例中,显示屏605可以是柔性显示屏,设置在计算机设备600的弯曲表面上或折叠面上。甚至,显示屏605还可以设置成非矩形的不规则图形,也即异形屏。显示屏605可以采用LCD(Liquid Crystal Display,液晶显示屏)、OLED(Organic Light-EmittingDiode,有机发光二极管)等材质制备。
摄像头组件606用于采集图像或视频。可选地,摄像头组件606包括前置摄像头和后置摄像头。通常,前置摄像头设置在计算机设备的前面板,后置摄像头设置在计算机设备的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中,摄像头组件606还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路607可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器601进行处理,或者输入至射频电路604以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在计算机设备600的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器601或射频电路604的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路607还可以包括耳机插孔。
定位组件608用于定位计算机设备600的当前地理位置,以实现导航或LBS(Location Based Service,基于位置的服务)。定位组件608可以是基于美国的GPS(GlobalPositioning System,全球定位系统)、中国的北斗系统、俄罗斯的格雷纳斯系统或欧盟的伽利略系统的定位组件。
电源609用于为计算机设备600中的各个组件进行供电。电源609可以是交流电、直流电、一次性电池或可充电电池。当电源609包括可充电电池时,该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
在一些实施例中,计算机设备600还包括有一个或多个传感器610。该一个或多个传感器610包括但不限于:加速度传感器611、陀螺仪传感器612、压力传感器613、指纹传感器614、光学传感器615以及接近传感器616。
加速度传感器611可以检测以计算机设备600建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器611可以用于检测重力加速度在三个坐标轴上的分量。处理器601可以根据加速度传感器611采集的重力加速度信号,控制显示屏605以横向视图或纵向视图进行用户界面的显示。加速度传感器611还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器612可以检测计算机设备600的机体方向及转动角度,陀螺仪传感器612可以与加速度传感器611协同采集用户对计算机设备600的3D动作。处理器601根据陀螺仪传感器612采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器613可以设置在计算机设备600的侧边框和/或显示屏605的下层。当压力传感器613设置在计算机设备600的侧边框时,可以检测用户对计算机设备600的握持信号,由处理器601根据压力传感器613采集的握持信号进行左右手识别或快捷操作。当压力传感器613设置在显示屏605的下层时,由处理器601根据用户对显示屏605的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器614用于采集用户的指纹,由处理器601根据指纹传感器614采集到的指纹识别用户的身份,或者,由指纹传感器614根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时,由处理器601授权该用户执行相关的敏感操作,该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器614可以被设置计算机设备600的正面、背面或侧面。当计算机设备600上设置有物理按键或厂商Logo时,指纹传感器614可以与物理按键或厂商Logo集成在一起。
光学传感器615用于采集环境光强度。在一个实施例中,处理器601可以根据光学传感器615采集的环境光强度,控制显示屏605的显示亮度。具体地,当环境光强度较高时,调高显示屏605的显示亮度;当环境光强度较低时,调低显示屏605的显示亮度。在另一个实施例中,处理器601还可以根据光学传感器615采集的环境光强度,动态调整摄像头组件606的拍摄参数。
接近传感器616,也称距离传感器,通常设置在计算机设备600的前面板。接近传感器616用于采集用户与计算机设备600的正面之间的距离。在一个实施例中,当接近传感器616检测到用户与计算机设备600的正面之间的距离逐渐变小时,由处理器601控制显示屏605从亮屏状态切换为息屏状态;当接近传感器616检测到用户与计算机设备600的正面之间的距离逐渐变大时,由处理器601控制显示屏605从息屏状态切换为亮屏状态。
本领域技术人员可以理解,图6中示出的结构并不构成对计算机设备600的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有至少一条程序代码,至少一条程序代码由处理器加载并执行以实现上述任一种可能实现方式中的初至波的获取方法所执行的操作。
以上所述仅为本申请的可选实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种初至波的获取方法,其特征在于,所述方法包括:
获取待测工区中多个检测点检测到的多个第一地震波信号,从所述多个第一地震波信号中选取预设比例的第一地震波信号作为样本地震波信号;
确定所述样本地震波信号中的第一初至波信号,确定所述第一初至波信号在所述样本地震波信号中的位置,基于所述第一初至波信号在所述样本地震波信号中的位置为所述样本地震波信号添加标签,得到所述样本地震波信号对应的第一标签数据,所述第一标签数据用于表示所述第一初至波信号在所述样本地震波信号中的实际位置;
根据所述样本地震波信号和所述第一标签数据,通过深度学习算法对初始网络模型进行训练,直至所述初始网络模型的精确度达到预设精度值,得到目标网络模型,所述目标网络模型用于确定地震波信号对应的标签数据;
将所述多个第一地震波信号输入所述目标网络模型,得到所述多个第一地震波信号对应的第二标签数据,以及基于所述第二标签数据,确定所述多个第一地震波信号中的第二初至波信号的位置。
2.根据权利要求1所述的方法,其特征在于,所述基于所述第一初至波信号在所述样本地震波信号中的位置为所述样本地震波信号添加标签,得到所述样本地震波信号对应的第一标签数据,包括:
对于每个检测点,基于所述第一初至波信号,确定所述检测点检测到所述第一初至波信号的初至时间;
根据所述初至时间,为所述检测点检测到的第一地震波信号添加标签,得到所述样本地震波信号对应的第一标签数据。
3.根据权利要求2所述的方法,其特征在于,所述根据所述初至时间,为所述检测点检测到的第一地震波信号添加标签,得到所述样本地震波信号对应的第一标签数据,包括:
确定所述检测点检测到的第一地震波信号对应的多个时间点;
对于每个时间点对应的第二地震波信号,响应于所述时间点在所述初至时间之前,确定所述第二地震波信号的标签为第一数值,响应于所述时间点在所述初至时间之后,确定所述第二地震波信号的标签为第二数值,得到所述样本地震波信号对应的第一标签数据。
4.根据权利要求1所述的方法,其特征在于,所述根据所述样本地震波信号和所述第一标签数据,通过深度学习算法对初始网络模型进行训练,直至所述初始网络模型的精确度达到预设精度值,得到目标网络模型,包括:
将所述样本地震波信号输入初始网络模型,得到初始标签数据;
根据所述初始标签数据和所述第一标签数据,通过焦点损失函数确定所述初始标签数据与所述第一标签数据之间的损失值;
响应于所述损失值小于预设损失值,确定所述初始网络模型为目标网络模型,响应于所述损失值大于预设损失值,调整所述初始网络模型中的每个网络层的权重,直到所述损失值小于预设损失值,得到第二网络模型,将所述第二网络模型作为所述目标网络模型。
5.根据权利要求1所述的方法,其特征在于,所述将所述多个第一地震波信号输入所述目标网络模型,得到所述多个第一地震波信号对应的第二标签数据,包括:
对于每个第一地震波信号,将所述第一地震波信号按照预设空间窗和预设滑动步长进行滑动分割,得到多个第三地震波信号;
将每个第三地震波信号输入所述目标网络模型,确定多个第一预测值;
对所述多个第一预测值进行数据处理,得到所述多个第一地震波信号对应的第二标签数据。
6.根据权利要求5所述的方法,其特征在于,所述预设空间窗内包括第一预设数量个地震道,所述第三地震波信号包括所述第一预设数量个地震道对应的地震波信号,每个第一预测值包括所述第一预设数量个地震道对应的地震波信号的第二预测值;
所述对所述多个第一预测值进行数据处理,得到所述多个第一地震波信号对应的第二标签数据,包括:
对于所述多个第一预测值,确定每个第一预测值包括的所述第一预设数量个地震道对应的地震波信号的第二预测值;
对于每个地震道,响应于所述地震道对应的地震波信号的第二预测值的数量为一个,确定所述第二预测值为所述地震道对应的地震波信号的第一预测值;响应于所述地震道对应的第二预测值的数量为多个,确定多个第二预测值的均值,将所述均值作为所述地震道对应的地震波信号的第一预测值;
将所述每个地震道对应的地震波信号的第一预测值进行组合,得到所述多个第一地震波信号对应的第二标签数据。
7.根据权利要求1所述的方法,其特征在于,所述获取待测工区中多个检测点检测到的多个第一地震波信号,包括:
获取待测工区中多个检测点的多个初始地震波信号,对所述多个初始地震波信号进行线性校正,得到所述多个第一地震波信号。
8.一种初至波的获取装置,其特征在于,所述装置包括:
获取模块,用于获取待测工区中多个检测点检测到的多个第一地震波信号,从所述多个第一地震波信号中选取预设比例的第一地震波信号作为样本地震波信号;
添加模块,用于确定所述样本地震波信号中的第一初至波信号,确定所述第一初至波信号在所述样本地震波信号中的位置,基于所述第一初至波信号在所述样本地震波信号中的位置为所述样本地震波信号添加标签,得到所述样本地震波信号对应的第一标签数据,所述第一标签数据用于表示所述第一初至波信号在所述样本地震波信号中的实际位置;
训练模块,用于根据所述样本地震波信号和所述第一标签数据,通过深度学习算法对初始网络模型进行训练,直至所述初始网络模型的精确度达到预设精度值,得到目标网络模型,所述目标网络模型用于确定地震波信号对应的标签数据;
确定模块,用于将所述多个第一地震波信号输入所述目标网络模型,得到所述多个第一地震波信号对应的第二标签数据,以及基于所述第二标签数据,确定所述多个第一地震波信号中的第二初至波信号的位置。
9.一种计算机设备,其特征在于,所述计算机设备包括:
处理器和存储器,所述存储器中存储有至少一条程序代码,所述至少一条程序代码由所述处理器加载并执行以实现权利要求1至7任一项所述的初至波的获取方法中所执行的操作。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有至少一条程序代码,所述至少一条程序代码由处理器加载并执行以实现如权利要求1至7任一项所述的初至波的获取方法中所执行的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110214003.5A CN112882094B (zh) | 2021-02-25 | 2021-02-25 | 初至波的获取方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110214003.5A CN112882094B (zh) | 2021-02-25 | 2021-02-25 | 初至波的获取方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112882094A true CN112882094A (zh) | 2021-06-01 |
CN112882094B CN112882094B (zh) | 2022-05-10 |
Family
ID=76054518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110214003.5A Active CN112882094B (zh) | 2021-02-25 | 2021-02-25 | 初至波的获取方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112882094B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898478A (zh) * | 2020-07-13 | 2020-11-06 | 西南石油大学 | 一种基于多尺度形态学的初至自动拾取方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4608673A (en) * | 1983-05-11 | 1986-08-26 | Conoco Inc. | Minimum phase bandpass filtering of seismic signals |
CN101592738A (zh) * | 2008-05-30 | 2009-12-02 | 中国石油集团东方地球物理勘探有限责任公司 | 二维起伏海底多次波的确定方法 |
CN107576987A (zh) * | 2017-08-07 | 2018-01-12 | 中国石油天然气股份有限公司 | 一种碳酸盐串珠储层水平井轨迹的设计方法 |
CN107807387A (zh) * | 2017-10-31 | 2018-03-16 | 中国科学技术大学 | 基于神经网络的地震初至波走时获取方法 |
CN109725345A (zh) * | 2018-11-15 | 2019-05-07 | 中国石油天然气集团有限公司 | 一种初至波正演模拟方法及装置 |
-
2021
- 2021-02-25 CN CN202110214003.5A patent/CN112882094B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4608673A (en) * | 1983-05-11 | 1986-08-26 | Conoco Inc. | Minimum phase bandpass filtering of seismic signals |
CN101592738A (zh) * | 2008-05-30 | 2009-12-02 | 中国石油集团东方地球物理勘探有限责任公司 | 二维起伏海底多次波的确定方法 |
CN107576987A (zh) * | 2017-08-07 | 2018-01-12 | 中国石油天然气股份有限公司 | 一种碳酸盐串珠储层水平井轨迹的设计方法 |
CN107807387A (zh) * | 2017-10-31 | 2018-03-16 | 中国科学技术大学 | 基于神经网络的地震初至波走时获取方法 |
CN109725345A (zh) * | 2018-11-15 | 2019-05-07 | 中国石油天然气集团有限公司 | 一种初至波正演模拟方法及装置 |
Non-Patent Citations (1)
Title |
---|
宋霖平,等: "初至到时波前算法及在地震走时CT中的应用", 《计算物理》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898478A (zh) * | 2020-07-13 | 2020-11-06 | 西南石油大学 | 一种基于多尺度形态学的初至自动拾取方法 |
CN111898478B (zh) * | 2020-07-13 | 2022-06-14 | 西南石油大学 | 一种基于多尺度形态学的初至自动拾取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112882094B (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829456B (zh) | 图像识别方法、装置及终端 | |
CN109886208B (zh) | 物体检测的方法、装置、计算机设备及存储介质 | |
CN110933468A (zh) | 播放方法、装置、电子设备及介质 | |
CN114170349A (zh) | 图像生成方法、装置、电子设备及存储介质 | |
CN111754386B (zh) | 图像区域屏蔽方法、装置、设备及存储介质 | |
CN111982305A (zh) | 温度测量方法、装置及计算机存储介质 | |
CN113763228A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN111027490A (zh) | 人脸属性识别方法及装置、存储介质 | |
CN112150560A (zh) | 确定消失点的方法、装置及计算机存储介质 | |
CN111857793B (zh) | 网络模型的训练方法、装置、设备及存储介质 | |
CN111354378B (zh) | 语音端点检测方法、装置、设备及计算机存储介质 | |
CN112882094B (zh) | 初至波的获取方法、装置、计算机设备及存储介质 | |
CN110377914B (zh) | 字符识别方法、装置及存储介质 | |
CN111860064B (zh) | 基于视频的目标检测方法、装置、设备及存储介质 | |
CN111753606A (zh) | 一种智能模型的升级方法及装置 | |
CN113432620B (zh) | 误差估计方法、装置、车载终端及存储介质 | |
CN110443841B (zh) | 地面深度的测量方法、装置及系统 | |
CN112308104A (zh) | 异常识别方法、装置及计算机存储介质 | |
CN111723615A (zh) | 对检测物图像进行检测物匹配判定的方法和装置 | |
CN112150554B (zh) | 画面显示方法、装置、终端和存储介质 | |
CN109886226B (zh) | 确定图像的特征数据的方法、装置、电子设备及存储介质 | |
CN113409235B (zh) | 一种灭点估计的方法及装置 | |
CN113689484B (zh) | 深度信息的确定方法、装置、终端及存储介质 | |
CN111354032B (zh) | 一种生成视差图的方法及装置 | |
CN113052408B (zh) | 一种社区聚合的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |